Gemini PDF Extractor

Extrai informações estruturadas de arquivos PDF usando a API Gemini. Esta classe foi projetado para processar uma pasta de arquivos PDF usando prompts estruturados.

Instalação

pip install datagem

Chave da Gemini API

Para usar este pacote, você precisa ter uma chave da Gemini API. Caso você não tenha, você pode obtê-la no Google AI Studio: aistudio.google.com/app/apikey.

Uso

Você pode extrair as informações de todos os pdfs e todos os prompts usando o método extract_all. O método retorna um dicionário, em que as chaves são prompts e os valores são DataFrame (do pandas).

from datagem.pdf import DataExtractorPdf

extractor = DataExtractorPdf(
    api_key="SUA_CHAVE_API",
    path_files="caminho/para/seus_pdfs/",
    path_prompts="caminho/para/seus_prompts/"
)
resultados_dict = extractor.extract_all()
primeiro_dataframe = list(results_dict.values())[0]
print(primeiro_dataframe.head())

Você pode extrair as informações de alguns pdfs e alguns prompts usando o método extract_partial. O método retorna um dicionário, em que as chaves são prompts e os valores são DataFrame (do pandas).

from datagem.pdf import DataExtractorPdf

extractor = DataExtractorPdf(
    api_key="SUA_CHAVE_API",
    path_files="caminho/para/seus_pdfs/",
    path_prompts="caminho/para/seus_prompts/"
)
resultados_dict = extractor.extract_partial(prompts = ['prompt1.txt', 'prompt2.txt'],file = ['file1.pdf', 'file2.pdf', 'file3.pdf'])
primeiro_dataframe = list(results_dict.values())[0]
print(primeiro_dataframe.head())